„Deep Learning a gyakorlatban Python és LUA alapon” változatai közötti eltérés
a Tóth Péter átnevezte a(z) VITMAV45 lapot a következő névre: Deep Learning a gyakorlatban Python és LUA alapon: Tárgykód helyett cím |
a →Tippek |
||
| (21 közbenső módosítás, amit 2 másik szerkesztő végzett, nincs mutatva) | |||
| 3. sor: | 3. sor: | ||
| tárgykód = VITMAV45 | | tárgykód = VITMAV45 | ||
| kredit = 4 | | kredit = 4 | ||
| kereszt = | | kereszt = nincs | ||
| tanszék = TMIT | | tanszék = TMIT | ||
| jelenlét = gyakorlaton min. 70% | | jelenlét = gyakorlaton min. 70% | ||
| 10. sor: | 10. sor: | ||
| kiszh = nincs | | kiszh = nincs | ||
| nagyzh = nincs | | nagyzh = nincs | ||
| hf = NHF + opcionális KHF | | hf = NHF + opcionális 5db KHF | ||
| vizsga = írásbeli + szóbeli | | vizsga = írásbeli + szóbeli | ||
| levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups] | | levlista = [https://groups.google.com/forum/#!forum/vitmav45 Google Groups] | ||
| 16. sor: | 16. sor: | ||
| tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning | | tárgyhonlap = http://smartlab.tmit.bme.hu/oktatas-deep-learning | ||
}} | }} | ||
Az adatmennyiség robbanásszerű növekedésével, a grafikus processzorok jelentős technológiai fejlődésével és a tudományterület új eredményeinek köszönhetően az elmúlt években a mély tanuló rendszerek, azon belül is a mély neurális hálózatok (Deep Neural Networks, DNN) valós életbeli folyamatok megfigyelések alapján történő modellezésének az egyik leghatékonyabb eszközévé váltak. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat. | |||
== Követelmények == | |||
Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is! | |||
Nagy házi feladat elkészítése és bemutatása. | |||
Vizsga (írásbeli és szóbeli). | |||
== Házi == | == Házi == | ||
3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani! | |||
Ezen felül 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubra feltöltött Jupyter notebook formátumban kell beadni. | |||
== Vizsga == | == Vizsga == | ||
A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás kb 7-10 perc) | |||
Ha nem megajánlott jegyre mész: | |||
A vizsga elsősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! | |||
Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás. | |||
== Tippek == | == Tippek == | ||
A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével +1 jegyet lehet szerezni. | |||
Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt. | |||
== Verseny == | == Verseny == | ||
Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap. | |||
== Kedvcsináló == | |||
===2016/7=== | |||
Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD) | |||
== | ===2019/20=== | ||
Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)! | |||
[[Category:Valaszthato]] | [[Category:Valaszthato]] | ||
A lap jelenlegi, 2020. január 19., 18:57-kori változata
Az adatmennyiség robbanásszerű növekedésével, a grafikus processzorok jelentős technológiai fejlődésével és a tudományterület új eredményeinek köszönhetően az elmúlt években a mély tanuló rendszerek, azon belül is a mély neurális hálózatok (Deep Neural Networks, DNN) valós életbeli folyamatok megfigyelések alapján történő modellezésének az egyik leghatékonyabb eszközévé váltak. A neuronháló mély rétegei a modellezni kívánt folyamat különböző, magas és alacsony szintű absztrakcióinak kinyerésére, osztályozására és predikciójára képesek. A mély tanuló rendszerek már a gépi beszéd- és látásfunkciók modellezésén túl alkalmasak például fordításra, zenei stílus automatikus osztályozására, felhasználói preferencia jóslására, felhasználó azonosítására, sőt, akár rajzolni és zenét komponálni is tudnak. Napjainkban már az olyan nagy cégek, mint a Google, Facebook, Amazon, IBM is egyre több technológiájukat helyezik deep learning alapokra. A tárgy gyakorlati problémák megoldásán keresztül tanítja meg a rendelkezésre álló, az iparban is széles körben használt két legfontosabb nyílt forráskódú mély tanuló keretrendszer, a Facebook által támogatott Torch (LUA) és a Theano (Python) programozását és az ezek széleskörű használatához szükséges elméleti alapokat.
Követelmények
Gyakorlatok 70%-án való részvétel, amit jelenléti ívvel ellenőriznek is!
Nagy házi feladat elkészítése és bemutatása.
Vizsga (írásbeli és szóbeli).
Házi
3 fős csapatokban egy szabadon választott témából kell házi feladatot kidolgozni. A nagyházi megléte az aláírás feltétele! A házi mellé egy beszámoló dokumentumot is kell készíteni. Megfelelő minőségű és mennyiségű házi feladatért megajánlott jegy (4-es vagy 5-ös) jár. Megajánlott jegyhez kötelezően kell 2 mérföldkövet tartani!
Ezen felül 5db szorgalmi kis házi kerül kiírásra a félév során. Egyenként 20 pontot lehet rájuk kapni, összesen 70%-ra +1 jegy jár. Érdemes velük foglalkozni, rengeteget lehet velük tanulni, fejlődni a témakörben. Ezeket GitHubra feltöltött Jupyter notebook formátumban kell beadni.
Vizsga
A vizsgán megajánlott jegyért a nagyháziról szóló előadást kell megtartani, válaszolni kérdésekre, ezután a vizsgáztatók osztályozzák a munkát. (Az előadás kb 7-10 perc)
Ha nem megajánlott jegyre mész: A vizsga elsősorban szóbeli, 3 témakört (melyből az első fixen a backpropagation) kellett papíron alaposan kidolgozni, majd ezekről szóban beszélni és kérdésekre válaszolni. Jó jegyhez alaposan kell tudni és érteni a dolgokat, gyakorlati szinten is! Pár főbb téma ami előfordulhat: convnet, VAE, GAN, RNN, BPTT, LSTM, hiperparaméter optimalizálás.
Tippek
A tárgy oktatói mindenkit ösztönöznek a megajánlott jegy megszerzésére. Kis házi feladatok 70%-os teljesítésével és az előadásokon Kahoot! kvíz kitöltésével +1 jegyet lehet szerezni.
Ha még nem programoztál soha Pythonban, erősen ajánlott a kurzus elkezdése előtt megismertetni magad vele és a NumPy könyvtárral. A tárgyhonlapon találsz rengeteg hasznos forrást szinte mindenhez. A projekteket bármilyen keretrendszerben elkészítheted, de gyakorlaton elősorban Keras-al és Tensorflowval fogsz találkozni. A lineáris algebra alapjait is jó, ha átnézed első előadás előtt.
Verseny
Az előadásokon Kahoot! verseny van, a legeredményesebb 5 hallgató a félév végén +1 jegyet kap.
Kedvcsináló
2016/7
Izgalmas, cutting-edge technológiát mutat be, minden előadáson szánnak pár percet arra, hogy bemutassák az aktuális híreket. Viszont nehéz, van egy nagy házi, amit csapatosan kell megcsinálni és nagyon-nagyon sok időt elvesz. Nem lehet az utolsó hétre hagyni. A tárgyhonlapon van kint egy javaslat, hogy hány órát kell hetente a tárgyra szánni, az tényleg kell. De ha jó házit adsz be, akkor nem kell vizsgázni (egy ötös házit viszont büszkén lehet mutogatni).(NGD)
2019/20
Ha érdekel a téma mindenképp érdemes felvenni, nagyon jó tárgy, jól előadva és szervezve. Előadásra és gyakorlatra is érdemes bejárni, egyrészt mert érdekes és sokat lehet tanulni, másrészt a diákból - ha nem voltál benn - utólagosan nem lehet megfelelően felkészülni. A nagyházi nehéz, főleg, hogy ha nincs tapasztalatod a területen és választasz egy izgalmas témát, foglamad sincs, mibe vered a fejszéd. Sok idő elmegy vele, de annál többet lehet vele tanulni. Összességében bátran ajánlom (de csak akkor ha tudod, hogy lesz időd vele foglalkozni)!
